Überwachte Lernsysteme werden mit verschiedenen Metriken bewertet, um ihre Wirksamkeit zu bestimmen. Zwei gängige Metriken sind Genauigkeit und Präzision. Um die Leistung des Modells beurteilen zu können, ist es unerlässlich, zu verstehen, wie diese Metriken berechnet werden.

Berechnung der Genauigkeit

Die Genauigkeit misst den Anteil der korrekten Vorhersagen, die das Modell aus allen Vorhersagen macht.

Genauigkeit = (Anzahl der korrekten Vorhersagen) / (Gesamtanzahl der Vorhersagen)

Wenn ein Modell beispielsweise 90 von 100 Instanzen korrekt vorhersagt, beträgt die Genauigkeit 0,9 oder 90%.

Berechnung der Präzision

Die Präzision konzentriert sich auf die positiven Vorhersagen des Modells. Sie gibt an, wie viele der vorhergesagten Positiven tatsächlich positiv sind. Die Formel lautet:

Präzision = (Wahre Positive) / (Wahre Positive + Falsche Positive)

Wenn ein Modell beispielsweise 50 Positive vorhersagt und 40 davon korrekt sind, beträgt die Genauigkeit 0,8 oder 80%.

Zusammenfassung der Berechnungsschritte

  • Identifizieren Sie die Gesamtzahl der Vorhersagen und korrekten Vorhersagen für die Genauigkeit.
  • Zählen Sie wahre Positive und falsche Positive für die Präzision.
  • Wenden Sie die Formeln an, um jede Metrik zu berechnen.